北京信息科技大学自编实验讲义 神经网络实验指导书 许晓飞 陈雯柏编著 自动化学院 智能科学与技术系 2 0 1 3 年1 月 实验指导 实验目的:(1)熟悉Matlab/Simulink 的使用
(2)掌握BP 神经网络的基本原理和基本的设计步骤
(3)了解BP 神经网络在实际中的应用
(4)针对简单的实际系统, 能够建立BP 神经网络控制模型
实验原理: 1
前馈型人工神经网络 前馈型人工神经网络是整个神经网络体系中最常见的一种，其结构模型如图2 所示
网络结构包含输入层、隐层（可能是多层）和输出层，它的连接方式是同层之间不相连接，相邻层之间单元为全连接型
这种网络没有反馈存在，实际运行是单向的，学习方式是一种监督式学习
前馈型神经网络具有很强的非线性映射能力，寻找其映射是靠学习实践的，只要学习数据足够完备，就能够描述任意未知的复杂系统
因此前馈神经网络为非线性系统的建模和控制提供了有力的工具
YnXnY1Y212hX2X1输入层隐层输出层 图1 前馈型神经网络结构 2
BP 算法原理 BP（Back Propagation）神经网络是一种利用误差反向传播训练算法的前馈型网络，BP学习算法实质是求取网络总误差函数的最小值问题[2]
这种算法采用非线性规划中的最速下降 方法，按 误差函数的负 梯 度 方向修 改 权 系数，它是梯 度 下 降 法在多层前馈网络中的应用
具体学习算法包括 两 大 过 程 ，其一是输入信 号 的正 向传播过 程 ，其二 是输出误差信 号 的反向传播过 程
正 向传播 输入的样 本从 输入层经过 隐层单元一层一层进 行处 理，通 过 所有的隐层之后 ，则 传向输出层； 在逐 层处 理的过 程 中，每 一层神经元的状 态 只对下 一层神经元的状 态 产 生 影 响
在输出层把 现 行输出和期 望 输出进 行比 较 ，如果 现 行
